液压注塑机故障智能诊断系统设计及其应用效果

摘要：以注塑机液压系统为研究对象，建立了基于数据驱动的智能诊断系统。该系统采用XGBoost诊断算法，通过60组训练样本和18组诊断样本的验证，结果显示其训练精度和诊断精度分别达到了100%和88.9%，在5种诊断算法模型中准确率均排在第一，表明该注塑机液压故障诊断系统具有良好的故障诊断性能，克服了传统诊断模型存在的自更新能力弱、泛化能力弱、诊断效率低等缺点。

关键词：注塑机;诊断系统;XGBoost诊断算法;准确率

0 引言

注塑机是各类高分子材料加工所使用的主要机械设备之一，其性能优劣直接关系到企业生产效率和生产成本。传统的注塑机故障维修仍采用事后维修方式，大大制约了注塑机工作性能的发挥[1]。液压系统作为注塑机的重要组成部分之一，因其故障具有一定隐蔽性，往往给设备维修造成极大的不利影响，因此，有必要针对注塑机液压系统的故障诊断展开专项研究。传统的注塑机液压系统故障诊断以专家诊断或者经验诊断为主，缺乏自更我新能力和泛化能力，且故障诊断精度较低，难以满足工程需要[2-5]。因此，本文针对注塑机液压系统建立了智能故障诊断系统，以期能为注塑机的高效应用提供帮助。

1 注塑机简介

传统的液压注塑机一般包括注射系统、锁模系统、模具系统、液压传动系统以及电气控制系统五大部分，其结构如图1所示。其中，注射系统主要包括塑化、计量和驱动等装置，锁模系统主要包括支架、模板、高压锁模油缸等装置，模具系统主要包括顶出、模腔、分流道等装置，液压传动系统主要包括液压油缸、马达、过滤器、电池阀等装置，电气控制系统主要包括变频器、继电器、逻辑控制器等装置。注塑机注塑成型工艺可分为5个流程：（1）注射前准备阶段;（2）注射阶段;（3）保压阶段;（4）冷却塑化阶段;（5）制品取出阶段。

2 注塑机液压系统的故障诊断系统

2.1    液压系统

液压系统是注塑机最重要的结构之一，为注塑机的生产过程提供事先设定好的动力，并满足不同生产阶段的压力与速度需求。液压泵是主油路的主要动力源，压力和流量分别由压力电池阀和流量电池阀控制，液压缸和液压马达是整个液压系统的动作执行机构，通过程序控制，完成预先设定好的注塑工艺流程。注塑机液压系统结构如图2所示。

2.2    液压系统故障

根据对多家企业多种型号液压系统故障维修记录进行统计，对注塑机液压系统故障进行了分类，如图3所示。注塑机液压系统故障主要集中于液压泵、电磁阀和液压缸3个位置，其中液压泵故障包括油泵异响、油泵卡死以及泵泄漏3种，电池阀故障包括阀芯卡死、阀芯损坏以及阀泄漏3种，液压缸故障包括油缸拉缸断裂、油封磨损泄漏以及油缸接头开裂3种。在以上故障类型中，油封磨损泄漏故障的占比最高，達到了53%，其次为油泵异响，占比为14.6%，再次为油缸拉缸断裂，占比为10.3%。

2.3    故障诊断系统模型

工业机械设备的故障诊断模型一般都是以专家诊断系统为主，即通过对知识库的不断丰富和完善，再利用推理机完成相应的逻辑推理最终得出诊断结论。传统的专家诊断模型包括人机接口、数据库、推理机、知识库以及知识获取和解释模块等六大模块。另外一种则是基于经验的诊断模型，该模型主要通过观察经验的积累来完善知识库和数据库，其主要包括数据采集与处理、人机接口、数据库、推理机、知识库、工作存储器、专家经验知识获取、解释模块等八大模块。

但是以上两种诊断模型存在自我更新能力弱、泛化能力弱、诊断效率低等缺点，为此本文提出了基于数据驱动的注塑机液压系统故障诊断模型，该诊断模型由数据库、数据库管理系统、模型库、数据采集与处理、知识库、推理机、工作存储器、数据驱动知识获取、解释模块、人机接口等十大模块组成，借助机器自学习等优势，克服了专家和经验诊断的主观化、片面化等缺点。系统通过安装在设备上的传感器，通过高速采集系统实现信号数据的采集，然后在数据空间进行特征向量的提取，提高关联度，最后通过机器监督学习，将特征向量所反映的信息与故障模式分类空间进行一一映射，得到故障诊断结果。基于数据驱动的注塑机液压系统故障诊断模型原理如图4所示。

2.4    故障诊断系统结构

根据故障诊断模型原理，构建注塑机故障诊断系统结构和运行流程，如图5所示。该系统包括用户层、软件层以及硬件层3层，用户层为诊断用户提供浏览查询功能，通过浏览器将诊断数据输入，然后获得诊断结果;软件层主要作用是提供数据预处理、数据挖掘、可视化数据运行等功能，其中最核心的是数据挖掘方法的选取，本文采用XGBoost诊断算法;硬件层主要作用是采集故障数据，并将其传输到软件层。故障诊断系统的诊断流程为：（1）确定诊断对象;（2）获取传感器数据;（3）保存至设备运行数据;（4）数据预处理;（5）特征提取;（6）运行训练诊断模型;（7）将训练结果保存至模型数据库;（8）判断模型是否更新;（9）故障智能诊断;（10）输出诊断结果。

3 系统应用效果

3.1    数据采集

本文以液压油缸泄漏故障作为案例进行分析说明。通过实验，获取不同程度油缸泄漏的数据特征，数据包括压力、速度和流量等参数，注射和保压阶段的主油路压力最大值分别为8 000 kPa和4 000 kPa，并将泄漏故障等级划分为正常、轻微、一般和严重4个等级，每个故障等级均进行15次样本数据的采集。

3.2    故障特征提取

经数据采集和预处理，再通过编写Python函数程序来提取故障的特征参数，故障特征参数主要包括均值、均方根、偏度、峭度、波形、波峰、脉冲、裕度等8个，初步提取到的不同故障等级下的典型代表参数如表1所示。

3.3    故障诊断结果

将上文提取的60个样本数据输入数据库中，然后另外选出18个样本作为分析样本，并带入XGBoost诊断模型中，模型输出的诊断样本诊断结果如表2所示。从表2可以看出，在18组诊断样本中，有16组诊断结果与实际状态一致，有2组的诊断结果与实际状态不一致，诊断正确率为88.9%，而出现诊断偏差的两组数据中，第7组实际状态为轻微泄漏，诊断结果为正常，第11组实际状态为一般泄漏，诊断结果为严重泄漏，诊断结果偏差并不大，诊断故障等级与实际故障等级仅相差一级。

3.4    故障诊断精度对比

为了对比不同诊断算法的训练和诊断精度，将诊断系统中的诊断算法依次更换为k-近邻（KNN）、随机森林（Forest）、支持向量机（SVM）、朴素贝叶斯（Bayes）等4种算法，将4种算法的训练和诊断精度与XGBoost诊断算法的结果相比较，如图6所示。

从图6可以看出，XGBoost诊断算法不管是在训练精度，还是在诊断精度上，均优于其他算法，表明本文选择的注塑机液压系统故障诊断系统的诊断算法比较合理。

4 结语

本文针对注塑机液压系统，设计了一种基于数据驱动的智能诊断系统，该系统采用XGBoost诊断算法，其训练精度和诊断精度分别达到了100%和88.9%，准确率均高于其他算法，克服了传统诊断模型存在的自更新能力弱、泛化能力弱、诊断效率低等缺点。

[参考文献]

[1] 栗振.基于快速傅里叶变换的注射机轴承单一故障诊断[J].塑料科技，2020，48（4）：47-50.

[2] 王杰，朱彩波，李国坚，等.基于PID控制的注塑机液压系统故障诊断方法[J].设备管理与维修，2018（5）：43-44.

[3] 胥航军.注塑机液压系统故障的五种诊断方法[J].液压气动与密封，2017，37（3）：70-73.

[4] 姜鑫.XS-ZY-250A型注塑机液压系统故障诊断[J].机床与液压，2016，44（16）：176-178.

[5] 劉冬冬，王建生，刘忠银.注塑机液压系统故障及建模方法研究[J].机械工程师，2016（8）：53-54.

收稿日期：2020-06-02

作者简介：杨玲（1989—），女，江苏如皋人，助理讲师，研究方向：液压与气压传动技术。